基于YOLOv5s-AntiUAV的反无人机目标检测算法研究

随着无人机的应用领域不断拓展,无人机的“黑飞”给公共安全造成严重损害。为解决侵入式无人机小目标在复杂飞行环境下的错检和漏检问题,提出基于YOLOv5s-AntiUAV的反无人机目标检测算法。首先,引入结合深度超参数卷积的Slim-Neck范式,增强算法特征提取能力并保持计算效率。其次,在骨干和颈部网络引入SPD-Conv模块,提高在低分辨率图像中小目标的检测性能。最后,用Alpha-CIoU替换YOLOv5s算法中的CIoU,增强算法泛用性。YOLOv5s-AntiUAV算法与YOLOv5s、SSD和Faster R-CNN算法在数据集Anti-UAV上的对比实验结果表明,改进算法的mAP@0.5值分别增长了1.1、12.1和4.9个百分点,凸显其实用性。由在VisDrone2019数据集上进行的迁移实验显示,相较于YOLOv5s算法,改进算法mAP@0.5值提升了4.5个百分点,表明其相较于原算法具有更强的鲁棒性。

基于超分辨率重建的反无人机检测方法研究

现如今无人机技术在民用和军用领域得到了广泛应用,但是由于无人机技术的易于获取和操作,导致无人机的“黑飞”与“滥飞”问题严重。传统的反无人机检测方法在复杂的飞行环境下常面临误检、漏检等问题,导致对无人机的检测不够准确。因此,文章提出了一种基于超分辨率重建与YOLOv5s融合的检测方法。该方法使用改进的增强型超分辨率重建生成对抗网络(Real-ESRGAN)提升图像分辨率,使得检测网络能够提取到小目标的更多特征信息;使用优化的YOLOv5s对重建后的图像进行检测。实验结果表明,该方法在反无人机检测方面表现出色,精度高达90.3%,相较SSD、YOLOv7等经典目标检测模型效果更好。